很遗憾,因您的浏览器版本过低导致无法获得最佳浏览体验,推荐下载安装谷歌浏览器!

基于ICA-EKF的动力电池组SOC估算算法

2018-03-15  来自: 合肥赛智新能源科技有限公司 浏览次数:2161

基于ICA-EKF的动力电池组SOC估算算法

福建赛智新能源科技有限公司

 

引言

 

动力电池组的荷电状态(State Of Charge)是电动汽车能量控制的重要参数,由于电池在使用过程中表现出强非线性,作为电池管理系统(Battery Management System)核心算法的SOC估算也一直是电动汽车核心部件电池管理系统的难点。在本算法中,我们基于一个新的放映了锂离子的嵌入/脱嵌过程的开路电压(Open Circuit Voltage)模型,该模型可以进行OCV-SOC增量关系分析(Incremental Capacity Analysis),运用电池组内OCV和电池组的SOC分别作为模型的观测变量和状态变量,应用卡尔曼滤波算法,实现对SOC更准确的动态估算。

 

一:介绍

 

近年来石油短缺和环境问题的极大的推动了电动汽车的发展。动力电池组是电动汽车的动力源,SOC直接反映了电池组剩余容量的多少,由此可以预测汽车的行驶里程,同时也为电池组的使用和维护提供重要的依据。由于电池本身的强非线性,SOC估算一直是电池管理系统设计的一个难点。本算法基于一个新的S型函数的OCV模型,电池组内的OCV和电池组的SOC分别作为观测变量和状态变量,应用扩展卡尔曼滤波算法,实现对SOC的递归估算。相比较其它模型或者开路安时积分算法,本算法有更高的精度和收敛性,能更好的修正SOC初始值的误差,对噪声也有更强的抑制作用。

 

二:动力电池组ICA模型

 

  本算法的动力电池模型采用了全新的开路电压模型,方程如下:

RE1V0%~PQ980T1[0R8@7]@G.png

其中:zSOC{SL1W`N62KMS1S3@35_Z%SB.png是线性参数,MBMA[QEO@VS%]VAAU]85B{5.png2N@VN9BGYLTYS{WD3_@AABE.png是非线性参数。方程中的参数可以使用matlab中的curve fitting 工具决定。

此模型更好地反映了锂离子的嵌入/脱嵌过程,以此模型的观测值能更好的反应状态变量-电池组SOC的变化。图一给出了某LiFePO4电池的SOC-OCV曲线,图中显示在OCV的平台区间,该模型有更好的准确性。

ZQNN~XB1CZ54}H6I~$EP`LR.png 

.1  ICA模型OCV-SOC曲线

 

3.1 SOC状态方程

  SOC的状态方程是基于安时积分法的原理,根据充放电电流积分值,得到一个剩余容量占总容量的百分比,方程如下:

7`IOAA62$LHSX}(MUFM`CJM.png

其中LA57[`X`FM4EE]UC7[@[3WI.pngk+1时刻的瞬时SOC7WLRS`__G2X8NUXH3~O$W70.pngk时刻的瞬时SOCJ2O{R$V~GOS9)S}GXLXQ4XK.png是电池组的额定容量;)NV)FT[P8SR[H7(QK(HIBED.png是库伦效率;S7Q%RBN2AGZ%]75NU[JMXRM.pngk时刻的瞬时电流值。

3.2 OCV观测方程

   电池组的观测方程描述了SOC,电流,内阻等因素与OCV的数学关系,基于上面提到的新的OCV方程建立电池组非线性状态空间模型的观测方程如下:

{{{V1%W{TG]QY~CE@6M(VX9.png

UJ0(WJJ7SN(H)2MTD2)6GDK.png

{{{V1%W{TG]QY~CE@6M(VX9.png

 其中:5L12HJ42OHCR)4W90@81GDG.png是总的端电压;]MGOOFP8$8(R~G(B7YIY`OJ.pngRC电路的电压;R1是电池的内阻;C是电池的电容值。

 

三:基于扩展卡尔曼滤波的SOC估算算法设计

 

本算法基于一个新的S型函数的OCV模型,电池组内的OCV和电池组的SOC分别作为观测变量和状态变量,应用扩展卡尔曼滤波算法,实现对SOC的递归估算,具体算法设计如下:

3.1 一阶RC 模型

3.1.1 状态方程

G%9)B[DI(CPPR@X%1`OW}0Z.png

其中:$CXA{K7KFREA21K0]9D$)XG.png是系统噪声

3.1.2 观测方程

%%(1SNOZP4BRZYPA`H8J~P5.png

其中:5L12HJ42OHCR)4W90@81GDG.png是观测噪声

3.2 EKF 算法:

 3.2.1状态方程一阶泰勒展开

9YD(TL[T)0912E$G[7FUE`D.png

3.2.2观测方程一阶泰勒展开

H(DTH8[Z2D{T]L[(6JPY]7L.png

3.2.3状态时间更新方程

Q%`9EMBH8EL4@S7RU8VO]2S.png

3.2.4误差协方差时间更新方程

S{FCSQZ{7GWTW_W_@F(C}IW.png

3.2.5卡尔曼增益方程

S{FCSQZ{7GWTW_W_@F(C}IW.png

3.2.6状态校正方程

状态校正是ICA-EKF算法中最核心的一步,它的控制方程和流程图分别如下:

$58)7`_80_7PQ(0JN`FJZKE.png 

 

 

2P$XM1`%TFYH8CB]2JHTE2K.png

 

.2  SOC算法校正模块设计

 

3.2.7误差协方差校正方程

C_F$~V4AQ7J)`4B_O{N_G)Y.png

 

其中:

M9HF]V)LJYY$)%MV8]3SVDT.png

E[Q48I}22K1HX0EQ(@RTLJ5.png

WQ9IX~WI~(2B$Z9~}6[`HKS.png

 

 

 

四:基于ICA-EKFSOC估算算法设计流程图

ICA-EKF方法用安时积分法递推SOC,代入观测方程得到OCV的估计值。再计算每一步的卡尔曼增益,它反映了残差作用于状态变量的权重,由状态估计观测更新方程得到SOC的最优估计。具体算法流程图如下:

 

3M}]Y@1DB~[7DK5`$7C@Y1H.png

 

.3 ICA-EKF SOC估算算法流程图

 

 

五:结果分析和结论

    为了验证基于ICA-EKFSOC估算算法的准确性和鲁棒性,选取NCMLiFePO4两种电芯,在Hybrid Pluse testDSTFUDS三种工况下进行测试,

1V83MAK[F[_8W%A@_$Z@FT8.png 

.4 NMC 电芯的ICA-EKF SOC估算误差(a,hybrid pulse 测试; b,DST测试;c,FUDS测试)

%55W9M0TGRKB%BL]0%JL28Y.png 

.5 LiFePO4 电芯的ICA-EKF SOC估算误差(a,hybrid pulse 测试; b,DST测试;c,FUDS测试)

 

4和图5分别给出了本算法对NCMLFP两种电芯在三种不同工况下,在初始误差为10%的情况下通过递归修正,很快就能将误差缩小。同时和安时积分法相比,本算法对输入噪声有更好的抑制作用。总之,本算法客服了传统安时积分法依赖于初始SOC值的准确性和累积电流误差的缺点,运用OCV SOC为观测值和状态变量,利用ICA-EKF方法实现了对SOC的在线闭环估算,提高了SOC计算的精度和稳定性。

 

 


关键词: 电池管理系统   BMS        

福建赛智新能源科技有限公司,专营电池管理系统BMS 等业务,有意向的客户请咨询我们,联系电话:0591-38169916

CopyRight © 版权所有: 合肥赛智新能源科技有限公司 网站地图 XML


扫一扫访问移动端